由于研究方向是时间序列预测，对时间序列数据也颇感兴趣，特此简单记录学习过程。
参考文章：
时间序列数据分析101 - (1) 一份全面详尽的时间序列入门教程 1. 引言1.1 时间序列
定义：按照一定的时间间隔排列的一组数据，其时间间隔可以是任意的时间单位，如小时、日、周月等。比如，每天某产品的用户数量，每个月的销售额，这些数据形成了以一定时间间隔的数据。时间序列分析：指从按时间排序的数据点中抽取有价值的总结和统计信息的行为。
时间序列分析既包含了对过去数据的诊断，也包括对未来数据的预测
时间序列可以分为平稳序列和非平稳序列两大类
平稳序列序列中的各观察值基本上在某个固定的水平上波动，虽然在不同的时间段波动的程度不同，但并不存在某种规律，波动可以看成是随机的非平稳序列
包含趋势、季节性或周期性的序列，它可能只含有其中一种成分，也可能含有几种成分。
1.2 应用场景
医学天气经济学天文学海洋学等
落地场景：预测、异常检测和动态时间规整等
1.3 研究方法的递进
统计学方法 ：传统时序方法：AR、ARMA、ARIMA机器学习模型：ANN、XGBoost、RF深度学习模型：LSTM、Transformer、Bert时间序列分析的主要任务之一是要建立时间序列适合的模型，通过建立模型来描述现象、事物随时间推移的变化规律性;并常常借助于模型进行预测。
2. 时间序列数据2.1 数据的获取
开源数据仓库开源时间序列数据集
- 音乐库数据 - 服务监控数据集 - 国家经济数据 - 政府开放数据 - 数据竞赛网站 从非显式数据中构造时间特征，创造时间序列数据2.2 数据时间轴的确定
有时候在数据存储时并没有一列显式存在的时间列，这时候就需要我们去人为寻找和构造。
以事件记录的时间构造时间列以另一个和时间相关的元素构造时间列，例如在一个数据集中行驶距离和时间是正相关的，此时就可以以距离来构造时间列以物理轨迹的顺序作为时间列，例如在医学，天气等领域有些数据是以图片的形式存储的，此时可以从图像中提取时间列2.3 时间序列遇到问题
时间值是在哪个过程产生的，以及何时产生的。通常事件发生的时间和事件被记录的时间往往是不一致的。处理历史遗留数据，并没有清洗记录的文档说明，也无法找到处理数据流的人来确认时间戳产生的方式。时间分辨率，这对于后续特征构造和模型有效性都有很大的影响。数据缺失值处理以及可靠性